CN116758099A - 一种数控机床异常监测及急停*** - Google Patents
一种数控机床异常监测及急停*** Download PDFInfo
- Publication number
- CN116758099A CN116758099A CN202311033719.0A CN202311033719A CN116758099A CN 116758099 A CN116758099 A CN 116758099A CN 202311033719 A CN202311033719 A CN 202311033719A CN 116758099 A CN116758099 A CN 116758099A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- pixel
- edge
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 title description 2
- 238000006243 chemical reaction Methods 0.000 claims abstract description 53
- 238000005520 cutting process Methods 0.000 claims abstract description 45
- 230000005856 abnormality Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 8
- 239000003550 marker Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种数控机床异常监测及急停***,包括:获取切削刀具灰度图像的梯度图像,梯度图像中每个像素点与最近的极大值点之间的距离值,获取距离变换图像;根据距离变换图像中每个像素点的灰度值、连续性长度、第一方向角度以及第二方向角度获取每个像素点属于刀刃区域的概率,进而得到标记图像;根据标记图像对梯度图像进行分水岭分割,将分割的结果应用在切削刀具灰度图像上获取分割图像;获取分割图像中每条边缘上每个像素点的曲率以及所有像素点的平均曲率获取破裂边缘率,进而控制数控机床的运转状态。本发明自适应标记图像进行分水岭分割,避免了因噪点的影响对图像造成的过分割。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种数控机床异常监测及急停***。
背景技术
数控机床中通常会配备各种类型和规格的刀具,用于完成切削和加工任务,在切削过程中,若是切削刀具的刀刃区域出现破裂未及时察觉到,继续使用损坏的刀具进行工件加工时不仅会使得加工的速度减慢、工件质量下降,还会进而缩断机床的使用寿命,因此在切削过程中需要及时对切削刀具进行检测,若出现刀刃破裂,需及时停止数控机床***的运作,对其进行处理。
传统的分水岭分割算法对切削刀具灰度图像进行分割时,由于分水岭算法对于图像中的噪声点比较敏感,容易对图像造成过度分割,不利于刀刃破裂区域的识别。
发明内容
本发明提供一种数控机床异常监测及急停***,以解决现有的问题。
本发明的一种数控机床异常监测及急停***采用如下技术方案:
本发明一个实施例提供了一种数控机床异常监测及急停***,该***包括以下模块:
切削刀具图像采集模块,采集切削刀具图像;
距离变换图像获取模块,获取切削刀具灰度图像的梯度图像,获取梯度图像中的极大值点;根据梯度图像中每个像素点与最近的极大值点之间的距离值,获取距离变换图像;
标记图像获取模块,获取距离变换图像中每个像素点的灰度值,获取距离变换图像中每个像素点的八邻域方向中每个方向下的连续性长度,根据距离变换图像每个像素点的八邻域方向中每个方向下的连续性长度获取第一方向角度,根据距离变换图像中每个像素点的邻域像素点获取第二方向角度,根据每个像素点的灰度值、连续性长度、第一方向角度以及第二方向角度获取每个像素点属于刀刃区域的概率;根据每个像素点属于刀刃区域的概率获取标记图像;
分割图像模块,根据标记图像对梯度图像进行分水岭分割,将分割的结果应用在切削刀具灰度图像上获取分割图像;
破裂边缘率获取模块,获取分割图像中每条边缘的每个像素点的曲率以及每条边缘上所有像素点的平均曲率,根据每条边缘上每个像素点的曲率以及所有像素点的平均曲率获取破裂边缘率;
数控机床急停模块,根据破裂边缘率来控制数控机床的运转状态。
优选的,所述获取切削刀具灰度图像的梯度图像,获取梯度图像中的极大值点,包括的具体步骤如下:
获取切削刀具灰度图像中所有像素点的梯度幅值构成梯度图像,通过非极大值抑制方法,获取梯度图像中的极大值点。
优选的,所述根据梯度图像中每个像素点与最近的极大值点之间的距离值,获取距离变换图像,包括的具体步骤如下:
将梯度图像中的极大值点的灰度值置为1,将其余像素点的灰度值置为0,得到二值图像,对二值图像应用距离变换算法,计算二值图像每个像素点与最近的极大值点之间的欧式距离,作为每个像素点的距离值,对所有像素点的距离值进行线性归一化处理,并将归一化结果乘以255,获得距离变化图像。
优选的,所述根据每个像素点的灰度值、连续性长度、第一方向角度以及第二方向角度获取每个像素点属于刀刃区域的概率,包括的具体步骤如下:
将任意一个像素点记为当前像素点:
其中,代表当前像素点属于刀刃区域的概率;/>为当前像素点的灰度值;/>代表当前像素点的八邻域方向中的第/>个方向;/>代表当前像素点的八邻域方向中的第/>个方向下的归一化后的连续性长度;/>为当前像素点的第一方向角度; />为当前像素点的八邻域方向中第/>方向下的第一个像素点的第二方向角度;/>代表以自然常数为底数的指数函数。
优选的,所述根据每个像素点属于刀刃区域的概率获取标记图像,包括的具体步骤如下:
预设第一概率阈值,当像素点属于刀刃区域的概率大于等于第一概率阈值/>时,该像素点属于刀刃区域,当像素点属于刀刃区域的概率小于第一概率阈值/>时,该像素点不属于刀刃区域,对属于刀刃区域的所有像素点进行凸包检测形成区域,将区域中的像素点标记为0,区域之外的像素点标记为预设整数,将获得的图像作为标记图像。
优选的,所述根据每条边缘上每个像素点的曲率以及所有像素点的平均曲率获取破裂边缘率,包括的具体步骤如下:
将任意一条边缘记为当前边缘:
其中,为当前边缘上第/>个像素点的曲率;/>为当前边缘上像素点的个数;/>为当前边缘上所有像素点的平均曲率;/>为超参数;/>表示为当前边缘为破裂边缘的概率;代表双曲正切函数。
优选的,所述根据破裂边缘率来控制数控机床的运转状态,包括的具体步骤如下:
预设第二概率阈值,当边缘的破裂边缘率大于等于第二概率阈值/>时,当前边缘为破裂边缘,需立即停止数控机床的运转,防止影响到数控机床的寿命。
优选的,所述获取距离变换图像中每个像素点的八邻域方向中每个方向下的连续性长度,包括的具体步骤如下:
预设灰度值阈值,两个像素点之间的灰度值差异小于灰度值阈值/>时,该两个像素点的灰度级近似,对于距离变换图像中的每个像素点统计出其八邻域方向中每个方向下灰度值近似的像素点的个数,记为连续性长度。
优选的,所述根据距离变换图像每个像素点的八邻域方向中每个方向下的连续性长度获取第一方向角度,包括的具体步骤如下:
获取距离变换图像中每个像素点的八邻域方向中最长的连续性长度所对应的方向角度,作为第一方向角度。
优选的,所述根据距离变换图像中每个像素点的邻域像素点获取第二方向角度,包括的具体步骤如下:
获取距离变换图像中每个像素点的八邻域方向中每个方向下的第一个像素点的八邻域方向中最长的连续性长度所对应的方向角度,作为第二方向角度。
本发明的技术方案的有益效果是:本发明获取切削刀具灰度图像的梯度图像,根据梯度图像中每个像素点与最近的极大值点之间的距离值得到距离变换图像,根据距离变换图像中每个像素点的灰度值、连续性长度、第一方向角度以及第二方向角度获取每个像素点属于刀刃区域的概率,进而根据每个像素点属于刀刃区域的概率获取标记图像,根据标记图像对梯度图像进行分水岭分割,将分割的结果应用在切削刀具灰度图像上进而获取分割图像,通过根据图像特征自适应标记图像对切削刀具灰度图像进行分割,解决了传统的分水岭算法因噪点的影响造成的图像过分割现象,接着获取分割图像中每条边缘的每个像素点的曲率以及每条边缘上所有像素点的平均曲率,根据每条边缘上每个像素点的曲率以及所有像素点的平均曲率获取破裂边缘率,对刀刃区域以及破裂的区域的边缘进行区分,进而根据破裂边缘率来控制数控机床的运转状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种数控机床异常监测及急停***的***框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种数控机床异常监测及急停***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种数控机床异常监测及急停***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种数控机床异常监测及急停***的***框图,该***包括以下模块:
切削刀具图像采集模块101,获取切削刀具灰度图像。
通过部署在切削刀具正面的相机拍摄切削刀具运转的监控视频,为了对切削刀具进行实时监控,需要对监控视频中的每一帧图像里的刀具进行缺陷检测。将视频中的每一帧图像记为切削刀具RGB图像,为了便于后续分析,将切削刀具RGB图像转换为灰度图像,并记为切削刀具灰度图像。
至此,获取了切削刀具灰度图像。
距离变换图像获取模块102,获取距离变换图像。
需要说明的是,获取的切削刀具灰度图像中有三种区域,分别为刀具表面区域、刀刃区域以及刀刃破裂区域,且刀刃破裂区域是垂直于刀刃区域并于其灰度值近似,故使用现有的阈值分割方法或者边缘检测方法会将刀刃区域与刀刃破裂区域检测出来,再根据刀刃区域与刀刃破裂区域的分布特征来判定切削刀具是否存在破裂缺陷,但是由于采集的图像中存在噪声点的影响,使用现有的阈值分割方法或者边缘检测方法获取刀刃区域及刀刃破裂区域时,本发明中对刀刃区域及刀刃破裂区域统称为刀刃区域,其获取的结果不准确,使得后续对于判定切削刀具是否存在破裂缺陷时造成了干扰。
需要进一步说明的是,分水岭分割算法是基于像素梯度的聚类和图论的最小割原理,能够根据目标区域与背景区域的灰度值差异将图像分割成不同的区域并且将边缘标注出来,但是由于该算法对于噪声点比较敏感,容易对图像造成过度分割,故本发明实施例根据噪声点与边缘点的分布特征,获取距离变换图像,以便后续根据距离变换图像中像素点的分布特征来获取标记图像用于分水岭分割,避免了噪声点的影响。
需要进一步说明的是距离变换图像的获取是基于二值图像的,根据噪声点与边缘点的梯度较大的特征,来获取二值图像用于获取距离变换图像。
在本发明实施例中,利用sobel算子获得所有像素点的梯度幅值,所有像素点的梯度幅值构成梯度图像,再通过非极大值抑制方法,获取梯度图像中的极大值点,将获取的极大值点的灰度值置为1,记为极大值点,其余像素点的值置为0,记为非极大值点,得到二值图像,对二值图像应用距离变换算法,计算出每个像素点与离它最近的极大值点之间的欧式距离,作为每个像素点的距离值,将二值图像中所有像素点距离值进行归一化处理,并将其映射到[0,255]的灰度值范围,获得了距离变换图像。本实施例使用线性归一化的方法将所有像素点的距离值进行归一化处理,然后将归一化结果乘以255,完成灰度值映射。
至此,获得了距离变换图像。
标记图像获取模块103,基于距离变换图像获取标记图像。
需要说明的是,获取的距离转换图像中能反应出刀刃区域、噪声点区域以及刀具表面区域的灰度值分布特征,为了避免分水岭算法对于噪声点区域噪声的过分割,本发明实施例中根据距离转换图像中各个区域的灰度值分布特征,获取距离转换图像中各像素点属于刀刃区域的概率,后续通过设置第一概率阈值仅获取刀刃区域作为其标记图像用于分水岭分割,使得分割的结果准确并获得准确的边缘,便于后续根据边缘的分布来判断当前切削刀具是否出现破裂。
进一步需要说明的是上述二值图像中灰度值为1的像素点可能有三种情况,分别是刀刃区域与刀具表面区域的边缘点、刀具表面区域的噪声点或者刀刃区域的噪声点,因此对于二值图像中刀刃区域及其附近灰度值为0的像素点来说,与其距离最近的灰度值为1的像素点是刀刃区域与刀具表面区域的边缘点或者刀刃区域内的噪点,故刀刃区域及其附近灰度值为0的像素点所得的距离值较小,在距离转换图像中刀刃区域及其附近灰度值为0的像素点的灰度值较小,对于刀具表面区域的灰度值为0像素点来说,若是其围绕在刀具表面区域的噪声点附近,则与其距离最近的灰度值为1的像素点即为该噪声点,在距离转换图像中的灰度值较小,若是其远离刀刃区域与刀具表面区域的边缘点、刀具表面区域的噪声点或者刀刃区域的噪声点,在距离转换图像中的灰度值较大,因此可以根据像素点灰度值的大小将距离转换图像中刀刃区域、噪声点区域的像素点与刀具表面区域的像素点进行区分。
进一步需要说明的是噪声点区域与刀刃区域的灰度值近似且分布均匀,仅通过灰度值特征无法将刀刃区域与噪声点区域的像素点进行区分,对于噪声区域的像素点来说,其八邻域下与其灰度值近似的像素点的个数分布较为均匀,对于刀刃区域的像素点来说,其八邻域下与其灰度值近似像素点的个数分布不均匀,因此可以根据距离变换图像中各像素点八邻域下的灰度值近似的像素点的个数的分布,来对噪声点区域以及刀刃区域的像素点进行区分。
在本发明实施例中,设置灰度值阈值,在本发明实施例中/>,在其他实施例中,实施人员可根据实际实施情况设置/>的大小。
需要说明的是,当两个像素点之间的灰度值差异小于灰度值阈值时,认为当前两个像素点的灰度值是近似的,因此本发明实施例中,对于距离变换图像中的每个像素点统计出其八邻域方向中每个方向下灰度值近似的像素点的个数,记为连续性长度。
需要说明的是,为了使得计算的各像素点属于刀刃区域的概率更为准确,对于刀刃区域区域每个像素点来说其八邻域方向中最长的连续性长度所对应的方向,与其八邻域方向中每个方向下的第一个像素点的八邻域方向中最长的连续性长度所对应的方向一致,此时结合该特征获取每个像素点八邻域方向中最长的连续性长度所对应的方向与其八邻域方向中每个方向下的第一个像素点的八邻域方向最长的连续性长度所对应的方向之间的差异,当差异越小时,说明像素点越有可能属于刀刃区域。
本发明实施中,遍历距离变换图像中任意一个像素点,记为当前像素点,以当前像素点为原点建立直角坐标系,统计出当前像素点的八邻域方向中最长的连续性长度所对应的方向在直角坐标系中的角度,记为第一方向角度,统计出当前像素点的八邻域方向中每个方向下的第一个像素点的八邻域方向中最长的连续性长度所对应的方向在直角坐标系中的角度,记为第二方向角度。需要说明的是,如果当前像素点八邻域方向中最长的连续性长度所对应的方向角度与其八邻域方向中每个方向下的第一个像素点的八邻域方向最长的连续性长度所对应的方向角度之间的差异越小时,说明当前像素点越有可能属于刀刃区域。
遍历距离变换图像中任意一个像素点,记为当前像素点,计算出当前像素点属于刀刃区域的概率:
其中,代表当前像素点属于刀刃区域的概率;/>为当前像素点的灰度值,当前像素点的灰度值较大时说明该像素点属于刀刃区域或噪声点区域,当前像素点的灰度值较小说明该像素点属于刀具表面区域;/>代表当前像素点的八邻域方向中的第/>个方向;/>代表当前像素点的八邻域方向中的第/>个方向下的归一化后的连续性长度;本实施例在此处使用softmax归一化方法对连续性长度进行归一化处理;/>反应了当前像素点其八邻域方向中每个方向下连续性长度的分布情况,当的值越小说明当前像素点八邻域方向中每个方向下的连续性长度分布均匀,值越大说明当前像素点八邻域方向中每个方向下的连续性长度分布不均匀;为当前像素点的八邻域方向中最长的连续性长度所对应的方向角度,记为第一方向角度; />为当前像素点八邻域方向中第/>方向下的第一个像素点的八邻域方向中最长的连续性长度所对应的方向角度,记为第二方向角度;/>为当前像素点的第一方向角度与第二方向角度的差异之和,当方向角度差异之和越小,说明当前像素点与其八邻域方向中每个方向下的第一个像素点的最长的连续性长度所对应的方向差异较小,则当前像素点越有可能属于刀刃区域;/>用于对结果进行负相关映射;当前像素点的灰度值较小、八邻域方向中每个方向下的连续性长度分布不均匀并且方向角度差异之和较小时,/>的值较大,则当前像素点越有可能属于刀刃区域。
至此,得到了距离变换图像中所有像素点属于刀刃区域的概率。
在本发明实施例中,预设一个第一概率阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>的值可根据具体实施情况而定。
当距离变换图像中像素点属于刀刃区域的概率大于等于时,认为该像素点属于刀刃区域,当距离变换图像中像素点属于刀刃区域的概率小于/>时,认为该像素点不属于刀刃区域,对于属于刀刃区域的像素点进行凸包检测形成区域,将该区域中的像素点标记为0,区域之外的像素点标记为/>,本实施例以/>为例进行叙述,其他实施例中可设置为其他任意大于0的整数,本实施例不再进行具体限定,将获得的图像作为标记图像。
至此,得到了标记图像。
分割图像模块104,依据标记图像对切削刀具灰度图像进行分水岭分割,获取分割图像。
基于标记图像对梯度图像进行分水岭分割,将分割的结果应用在切削刀具灰度图像上,将切削刀具灰度值图像分割为刀刃区域以及刀具表面区域,获得分割图像。
至此,获取了分割图像。
破裂边缘率获取模块105,获取分割图像中的各个边缘的破裂边缘率。
需要说明的是,由于切削刀具的破裂切削一般发生在刀刃区域并且与刀刃区域的灰度值近似,使用分水岭分割后所得到分割图像中的边缘中可能会存在破裂区域的边缘,因此根据刀刃区域与破裂区域的边缘特征,如果切削刀具不存在破裂,则分割图像中的所有边缘趋向于直线,若切削刀具存在破裂,则分割图像中的边缘中存在呈曲线的分布特征,因此需要根据分割图像中的每个边缘的特征,来判断切削刀具的刀刃区域是否存在破裂边缘。
在本实施例中,遍历分割图像中的任意一条边缘,记为当前边缘,获取当前边缘的破裂边缘率:
其中,为当前边缘上第/>个像素点的曲率;/>为当前边缘上像素点的个数;/>为当前边缘上所有像素点的平均曲率;/>为超参数;本实施例以/>为例进行叙述;用于对结果进行归一化处理;/>表示为当前边缘的破裂边缘率;如果当前边缘上的像素点的曲率都一致,则当前边缘上各像素点的曲率与平均曲率的差异之和非常小,说明当前边缘可能为刀刃区域的边缘,如果当前边缘上的像素点的曲率分布不一致,则当前边缘上各像素点的曲率与平均曲率的差异之和较大,说明当前边缘可能为破裂边缘。
至此,获取了分割图像中的各个边缘的破裂边缘率。
数控机床急停模块106,根据破裂边缘率进行数控机床的急停操作。
在本发明实施例中,预设一个第二概率阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>的值可根据具体实施情况而定。
当分割图像中任意边缘的破裂边缘率大于等于时,认为当前边缘为破裂边缘,当分割图像中任意边缘的破裂边缘率小于/>时,认为当前边缘为刀刃区域的边缘。
需要说明的是,切削刀具出现损坏会严重影响到数控机床的寿命,故工作人员根据是否含有破裂边缘来控制数控机床的运转,当切削刀具存在破裂边缘时立即停止数控机床的运转,防止影响到数控机床的寿命。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数控机床异常监测及急停***,其特征在于,该***包括以下步骤:
切削刀具图像采集模块,采集切削刀具图像;
距离变换图像获取模块,获取切削刀具灰度图像的梯度图像,获取梯度图像中的极大值点;根据梯度图像中每个像素点与最近的极大值点之间的距离值,获取距离变换图像;
标记图像获取模块,获取距离变换图像中每个像素点的灰度值,获取距离变换图像中每个像素点的八邻域方向中每个方向下的连续性长度,根据距离变换图像每个像素点的八邻域方向中每个方向下的连续性长度获取第一方向角度,根据距离变换图像中每个像素点的邻域像素点获取第二方向角度,根据每个像素点的灰度值、连续性长度、第一方向角度以及第二方向角度获取每个像素点属于刀刃区域的概率;根据每个像素点属于刀刃区域的概率获取标记图像;
分割图像模块,根据标记图像对梯度图像进行分水岭分割,将分割的结果应用在切削刀具灰度图像上获取分割图像;
破裂边缘率获取模块,获取分割图像中每条边缘的每个像素点的曲率以及每条边缘上所有像素点的平均曲率,根据每条边缘上每个像素点的曲率以及所有像素点的平均曲率获取破裂边缘率;
数控机床急停模块,根据破裂边缘率来控制数控机床的运转状态。
2.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述获取切削刀具灰度图像的梯度图像,获取梯度图像中的极大值点,包括的具体步骤如下:
获取切削刀具灰度图像中所有像素点的梯度幅值构成梯度图像,通过非极大值抑制方法,获取梯度图像中的极大值点。
3.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述根据梯度图像中每个像素点与最近的极大值点之间的距离值,获取距离变换图像,包括的具体步骤如下:
将梯度图像中的极大值点的灰度值置为1,将其余像素点的灰度值置为0,得到二值图像,对二值图像应用距离变换算法,计算二值图像每个像素点与最近的极大值点之间的欧式距离,作为每个像素点的距离值,对所有像素点的距离值进行线性归一化处理,并将归一化结果乘以255,获得距离变化图像。
4.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述根据每个像素点的灰度值、连续性长度、第一方向角度以及第二方向角度获取每个像素点属于刀刃区域的概率,包括的具体步骤如下:
将任意一个像素点记为当前像素点:
其中,代表当前像素点属于刀刃区域的概率;/>为当前像素点的灰度值;/>代表当前像素点的八邻域方向中的第/>个方向;/>代表当前像素点的八邻域方向中的第/>个方向下的归一化后的连续性长度;/>为当前像素点的第一方向角度; />为当前像素点的八邻域方向中第/>方向下的第一个像素点的第二方向角度;/>代表以自然常数为底数的指数函数。
5.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述根据每个像素点属于刀刃区域的概率获取标记图像,包括的具体步骤如下:
预设第一概率阈值,当像素点属于刀刃区域的概率大于等于第一概率阈值/>时,该像素点属于刀刃区域,当像素点属于刀刃区域的概率小于第一概率阈值/>时,该像素点不属于刀刃区域,对属于刀刃区域的所有像素点进行凸包检测形成区域,将区域中的像素点标记为0,区域之外的像素点标记为预设整数,将获得的图像作为标记图像。
6.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述根据每条边缘上每个像素点的曲率以及所有像素点的平均曲率获取破裂边缘率,包括的具体步骤如下:
将任意一条边缘记为当前边缘:
其中,为当前边缘上第/>个像素点的曲率;/>为当前边缘上像素点的个数;/>为当前边缘上所有像素点的平均曲率;/>为超参数;/>表示为当前边缘为破裂边缘的概率;代表双曲正切函数。
7.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述根据破裂边缘率来控制数控机床的运转状态,包括的具体步骤如下:
预设第二概率阈值,当边缘的破裂边缘率大于等于第二概率阈值/>时,当前边缘为破裂边缘,需立即停止数控机床的运转,防止影响到数控机床的寿命。
8.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述获取距离变换图像中每个像素点的八邻域方向中每个方向下的连续性长度,包括的具体步骤如下:
预设灰度值阈值,两个像素点之间的灰度值差异小于灰度值阈值/>时,该两个像素点的灰度级近似,对于距离变换图像中的每个像素点统计出其八邻域方向中每个方向下灰度值近似的像素点的个数,记为连续性长度。
9.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述根据距离变换图像每个像素点的八邻域方向中每个方向下的连续性长度获取第一方向角度,包括的具体步骤如下:
获取距离变换图像中每个像素点的八邻域方向中最长的连续性长度所对应的方向角度,作为第一方向角度。
10.根据权利要求1所述一种数控机床异常监测及急停***,其特征在于,所述根据距离变换图像中每个像素点的邻域像素点获取第二方向角度,包括的具体步骤如下:
获取距离变换图像中每个像素点的八邻域方向中每个方向下的第一个像素点的八邻域方向中最长的连续性长度所对应的方向角度,作为第二方向角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033719.0A CN116758099B (zh) | 2023-08-17 | 2023-08-17 | 一种数控机床异常监测及急停*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033719.0A CN116758099B (zh) | 2023-08-17 | 2023-08-17 | 一种数控机床异常监测及急停*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758099A true CN116758099A (zh) | 2023-09-15 |
CN116758099B CN116758099B (zh) | 2023-10-13 |
Family
ID=87951782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311033719.0A Active CN116758099B (zh) | 2023-08-17 | 2023-08-17 | 一种数控机床异常监测及急停*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758099B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115196A (zh) * | 2023-10-25 | 2023-11-24 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及*** |
CN117764893A (zh) * | 2024-01-08 | 2024-03-26 | 惠州市惠阳区兆顺益五金加工有限公司 | 一种数控机床刀具磨损识别方法及*** |
CN117808811A (zh) * | 2024-03-01 | 2024-04-02 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
CN117876402A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军总医院第一医学中心 | 一种用于颞下颌关节紊乱病影像的智能分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110038510A1 (en) * | 2009-08-17 | 2011-02-17 | Kenichiro Nakamura | Image processing apparatus, image processing method, and program |
CN109801340A (zh) * | 2019-01-16 | 2019-05-24 | 山西班姆德机械设备有限公司 | 一种基于图像处理的砂轮磨削方法 |
CN111203760A (zh) * | 2020-01-21 | 2020-05-29 | 宜宾职业技术学院 | 一种快速测量刀具磨耗的装置 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
-
2023
- 2023-08-17 CN CN202311033719.0A patent/CN116758099B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110038510A1 (en) * | 2009-08-17 | 2011-02-17 | Kenichiro Nakamura | Image processing apparatus, image processing method, and program |
CN109801340A (zh) * | 2019-01-16 | 2019-05-24 | 山西班姆德机械设备有限公司 | 一种基于图像处理的砂轮磨削方法 |
CN111203760A (zh) * | 2020-01-21 | 2020-05-29 | 宜宾职业技术学院 | 一种快速测量刀具磨耗的装置 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115196A (zh) * | 2023-10-25 | 2023-11-24 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及*** |
CN117115196B (zh) * | 2023-10-25 | 2024-02-06 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及*** |
CN117764893A (zh) * | 2024-01-08 | 2024-03-26 | 惠州市惠阳区兆顺益五金加工有限公司 | 一种数控机床刀具磨损识别方法及*** |
CN117808811A (zh) * | 2024-03-01 | 2024-04-02 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
CN117876402A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军总医院第一医学中心 | 一种用于颞下颌关节紊乱病影像的智能分割方法 |
CN117876402B (zh) * | 2024-03-13 | 2024-05-07 | 中国人民解放军总医院第一医学中心 | 一种用于颞下颌关节紊乱病影像的智能分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116758099B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758099B (zh) | 一种数控机床异常监测及急停*** | |
CN110400290B (zh) | 一种太阳能电池片色差的检测方法、装置及存储介质 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN112215800B (zh) | 基于机器学习的重叠染色体识别和分割方法 | |
CN114279357B (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及*** | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及*** | |
CN101901342A (zh) | 影像目标区域的提取方法和装置 | |
CN116503403B (zh) | 基于图像处理的金属切削刀头的缺陷检测方法 | |
CN117274722B (zh) | 基于红外图像的配电箱智能检测方法 | |
CN117115196B (zh) | 一种切割机刀具磨损视觉检测方法及*** | |
CN109850518B (zh) | 一种基于红外图像的实时矿用胶带预警撕裂检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检*** | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及*** | |
CN116310845B (zh) | 一种用于污水处理的智能监测*** | |
CN116524196B (zh) | 一种基于图像识别技术的输电线智能检测*** | |
CN114663433B (zh) | 滚轮罐耳运行状态检测方法、装置、计算机设备及介质 | |
CN111879777A (zh) | 软资材贴合瑕疵检测方法、装置、设备以及存储介质 | |
CN116229378A (zh) | 一种smc电缆分接箱异常监测、预警方法 | |
CN117333489A (zh) | 一种薄膜破损检测装置及检测*** | |
CN114638847A (zh) | 基于图像处理的绝缘子金具修整方法及*** | |
CN111539329B (zh) | 一种自适应的变电站指针仪表识别方法 | |
CN112837285A (zh) | 一种板面图像的边缘检测方法及装置 | |
CN112991308A (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN116935079B (zh) | 一种基于视觉的线状开关状态监测方法及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |